Cadence 全新 Tensilica Vision Q6 DSP IP 提升

Cadence 全新 Tensilica Vision Q6 DSP IP 提升

全球电子设计创新领导厂商益华电脑(Cadence Design Systems, Inc.)宣布推出 Cadence® Tensilica® Vision Q6 数位讯号处理器(DSP),这款最新的嵌入式视觉和 AI 应用的 DSP 採用速度更快的新版处理器架构。第五代 Vision Q6 DSP 相较于前代 Vision P6 DSP 提高达 1.5 倍的视觉和 AI 效能,峰值效能下的功耗效率提高 1.25 倍。Vision Q6 DSP 锁定在智慧型手机、监视摄影机、汽车、扩增实境(AR)/虚拟实境(VR)、无人机和机器人领域的嵌入式视觉和装置上 AI 应用。

Vision Q6 DSP 採用专为搭配大型本机记忆体所设计的深层 13 级处理器管道及系统架构,故而能够在 16nm 下达成 1.5GHz 峰值频率和 1GHz 标準频率,且布局规划面积与 Vision P6 DSP 相同。因此,设计人员得以利用 Vision Q6 DSP 来开发出高效能产品,满足不断提高的视觉、AI 运算以及低功率效率的需求。

Vision Q6 DSP 的特色与优点

Linley 集团资深分析师 Mike Demler 表示:「Cadence Vision P5 和 P6 DSP 获得市场上关注,且为领导厂牌的多代行动应用处理器所採用。SoC 供应商看到市场上为了像是视讯捕捉帧率的即时效应等创新的使用者体验,对于视觉和 AI 处理的需求不断增加。Q6 的效能相较于 P6 大幅提升,但仍保有开发人员所需要以支援快速演进神经网路架构的可编程性。这对于也想要掌握 SoC 视觉和 AI 处理两方面灵活性的供应商而言,是很具吸引力的价值。」

Vision Q6 DSP 经由 Tensilica Xtensa ®神经网路编译器(XNNC)支援在 Caffe、TensorFlow 和 TensorFlowLite 架构中开发的 AI 应用。XNNC 利用完整的优化的神经网路程式库功能将神经网路映射为 Vision Q6 DSP 可执行的高度优化高效能编码。Vision Q6 DSP 也支援 Android 装置上 AI 加速的 Android 神经网路(ANN) API。软体环境也对超过 1,500 项 OpenCV 视觉和 OpenVX 程式库功能提供完整且优化的支援,促进现有视觉应用的快速与高阶迁移。

ArcSoft 行销副总裁 Frison Xu 表示:「我们在 AI 和视觉应用领域的开发上与 Cadence 密切合作。诸如宽幅向量 SIMD 处理、VLIW 指令集、大量 8 位元和 16 位元 MAC 以及分散/聚集陈述式等功能,使得 Vision DSP 成为满足神经网路和视觉演算法高要求的理想平台。Cadence Vision DSP 现为许多终端使用者应用所採用,例如手机、汽车、监视摄影机和 AR/VR,有利于我们软体的部署与推广。」

VanGogh Imaging 执行长 Ken Lee 说:「Cadence 是我们的重要合作伙伴,让我们的先进 3D 捕捉及 SLAM 技术能够获得高效能与低功耗的运算环境。Tensilica Vision DSP 的效能特性,结合高度可调的视觉程式库和完善的开发环境,帮助我们以具有功耗效率的方式设计实现我们的演算法,并缩短开发週期。」

Vision P6 DSP 已为海思 Kirin 970 等知名行动应用处理器採用。Vision P6 DSP 和 Vision Q6 DSP 是针对效能要求为 200 到 400 GMAC/秒 的通用型嵌入式视觉以及装置上 AI 应用所设计。Vision Q6 DSP 的峰值效能可达 384 GMAC/秒,非常适合高效能系统及应用。Vision Q6 DSP 可搭配 Vision C5 DSP 使用,用于效能要求在 384 GMAC/秒 以上的应用。

Cadence Tensilica IP 产品管理行销资深主管 Lazaar Louis 表示:「现在複杂的 AI 和嵌入式视觉应用倾向直接在装置上而非在云端上运行,因此功耗效率和效能变得更加关键。Vision Q6 DSP 是我们在新一代处理器架构上发表的第一款 DSP,效能和功耗效率都优于 Vision P6 DSP。Cadence 致力为顾客提供高效能与低功耗的 DSP 解决方案,包括易于使用且为广大生态系统所支援的 AI 和视觉必要软体和工具基础架构。」

Vision Q6 DSP 已获多家顾客整合于其产品中,现已全面开放所有顾客选用。

更多关于 Cadence® Tensilica® Vision Q6 详情请见官网。

上一篇: 下一篇: